Example-Based Object Detection in the Attached Image

Abstract

The paper solves the problem of detecting exemplified objects in a color image. A solution provides the representation of similar objects in the same colors, and different objects in different colors. This is achieved by combining images of object examples and a target image into a single joint image, which is represented in sequential number 1, 2, ..., etc. colors. The mentioned effect is demonstrated by detecting irises and pupils in a test image. It is explained by the fact that: a) the joint image is approximated by a hierarchy of approximations in sequential color numbers; b) the hierarchy of approximations is described by a convex sequence of approximation errors (values of the total squared error ); c) due to the convexity, the approximation errors are reduced for all approximations of the joint image. In the last explanation item, it is applied the operation of combining hierarchically organized objects into a single object, which is introduced in this paper. To produce the required hierarchy of image approximations Ward's pixel clustering is used. Ward's method is generalized for image processing by parts (within pixel subsets) that provides generation of multiple proper approximation hierarchies and accelerates the calculations. To do so, the so- called split-and-merge pixel cluster CI-method is embedded into Ward's generalized method to provide a real-life minimization of the error for image approximation in a fixed number of colors.

Polyhierarchical Image Structure and Invariant Object Detection

“…Поскольку параметр g0 определяет вариант иерархической кластеризации пикселей (столбец приближений в Динамической таблице рисунка 4), условия инвариантного детектирования объектов могут использоваться для автоматической настройки программы на тот или иной объект интереса, если образцы объектов интереса присоединяются к входному изображению и сегментируются как часть композитного входного изображения [21]. При этом специфика обработки состоит в необходимости вычисления одного или нескольких кластеров пикселей, отвечающих образцу объекта интереса (рисунок 7), а сегменты из пикселей того же кластера или аналогичным образом сгруппированные пиксели нескольких кластеров на входном изображении детектируются как новые объекты искомого типа.…”

“…[19][20][21] September 2023, Moscow, Russia При визуальном управлении сегментацией задача пользователя состоит в выборе столбца приближений, в котором наилучшим образом отображаются иерархически структурированные объекты интереса. В соответствии с выбором пользователя устанавливается параметр g0, и объекты аппроксимируются либо объединениями, либо частями кластеров пикселей оптимального приближения изображения в g0 цветах.…”

Algebraic Multi-Layer Network: Key Concepts

“…The problem of using a priori information is bypassed. To take into account the previous processing experience, an input enlarged image with attached additional images of objects-ofinterest is used, which makes it possible to dispense with the analysis of features and identification when objects are detected by the advanced pixel clustering methods [30]; • Instead of program learning, for the convenient processing control, tuning parameters are introduced, which are determined by the problem statement. The main tuning parameter is equal to the number g 0 of colors in that optimal image approximation, which is most suitable for hierarchical approximation of objects-of-interest with either unions or parts of g 0 pixel clusters.…”